千问发布 Qwen3.8-Omni-Flash：1M 上下文，30项评测平均提升超26%

近日，千问团队正式发布新一代多模态模型 **Qwen3.8-Omni-Flash**，这款模型以“1M 超长上下文”和“30项评测平均提升超26%”为核心亮点，标志着千问在高效、长序列多模态理解方向迈出了重要一步。

技术突破：1M 上下文与高效 Flash 架构

长上下文处理能力是大模型从对话工具向复杂知识工作者演进的关键门槛。Qwen3.8-Omni-Flash 支持高达 **100万 token** 的上下文窗口，可一次性处理如整本专业书籍、完整的代码仓库或多轮长文档对话。相较于此前主流的 128K 或 200K 上下文模型，这一飞跃得益于其创新的 **Flash 注意力机制**与优化的位置编码方案，在保持推理速度的同时显著降低显存占用。模型名称中的“Flash”即暗示其在长序列场景下的高效计算特性，使得百万级上下文的实际部署成为可能。

全面性能跃升：30项评测平均提升超26%

除了上下文长度，Qwen3.8-Omni-Flash 在 **30项涵盖语言、多模态、数学、逻辑推理等领域的标准评测集**上取得了平均超过26%的提升。例如，在 MMLU-Pro、GSM8K 以及多模态理解基准 MMBench 等权威测试中，模型均展现出更强的知识储备、跨模态对齐能力与复杂推理稳定性。这一综合进步表明，千问团队在预训练阶段的数据配比、指令微调以及多模态融合策略上进行了系统性优化，而非单纯依赖模型规模的扩张。

行业意义与展望

1M 上下文与高精度多模态能力的结合，将直接推动 **金融文档分析、科研论文综述、法律合同审查**等长文档处理场景的智能化水平。同时，Omni-Flash 的命名暗示模型天然支持图像、音频等模态输入，为构建更接近人类感知的通用智能体提供了坚实基础。未来，随着成本进一步降低和生态工具完善，此类模型有望成为企业级长序列应用的基础设施。千问团队表示，将持续在高效架构与长上下文对齐上深耕，为开发者释放更强大的 AI 生产力。